基于全岩化学数据的花岗岩热导率极限提升梯度预测方法与流程

1.本发明属于地热资源开采技术领域，特别是涉及基于全岩化学数据的花岗岩热导率极限提升梯度预测方法。


背景技术：

2.花岗岩属于酸性岩浆岩中的侵入岩，主要矿物为石英、钾长石和酸性斜长石，次要矿物则为黑云母、角闪石，有时还有少量辉石。作为大陆的标志性岩石，花岗岩构成大陆上部地壳的基础，且花岗岩的形成过程通常与大陆的构造作用、变质作用和成矿作用密切相关。其热物理性质（热扩散率和热导率）对于探讨地壳热结构、定量计算各类地质事件中的温度分布及热状态等具有重要意义。
3.花岗岩热导率在干热岩地热资源数值模拟中意义重大。但是干热岩地热钻孔中仅在有限的深度层段进行取心工作，可用于获取热导率的只有随钻井液排出的花岗岩岩屑。如何利用岩屑获取较为准确的热导率值，一直是研究的热点和难点。岩屑热导率的获取可以分为实验室直接测量和间接估算两种方法。但是，由于实验室测量岩屑的热导率数值的方法存在一定的局限性：1、要求岩屑的量在100ml左右；2、在进行岩屑热导率测试之前需要对岩屑进一步处理，比如利用光学扫描法测量时，还需要对岩屑进行压实等额外操作；3、室内测试岩屑热导率效率低，线源法测试效率最快也需要15分钟。
4.对于岩屑量较少，难以进行实验室的热导率测量时，常用的方法是利用岩屑的矿物含量数据来预测起热导率数值，常用的计算模型有几何平均、调和平均模型，但是这些常用的数学模型的计算基础是基于理想矿物排列和接触假设条件下而推导的，与花岗岩的实际矿物空间排列和接触关系相差甚远，导致预测效果不佳。此外，利用花岗岩全岩化学进行热导率预测的实践较少，只有jennings，et al；（2019）基于340个深成岩全岩化学和热导率数据，建立了经验公式，且近年来，机器学习算法逐渐广泛的应用于各种材料导热性能的探索和设计中，但是用于岩石热导率预测的方面还鲜有涉及。
5.为了克服上述现有技术的不足，本发明提供了基于全岩化学数据的花岗岩热导率极限提升梯度预测方法。


技术实现要素：

6.本发明的目的在于提供基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，本发明结合机器学习极限梯度提升算法，建立了利用花岗岩岩屑全岩化学数据对热导率的回归模型，实现了对花岗岩岩屑热导率的快速和精准预测，降低了时间和经济成本，解决了现有的常规花岗岩岩屑热导率预测方法用量大，时间和经济成本高以及误差大的问题。
7.为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，包括以下步骤：s1：从实验室花岗岩热导率和全岩化学测试数据中提取用于训练模型的样本数据；s2：对数据进行预处理；s3：基于极限梯度提升的机器学习算法，训练多个花岗岩热导率预测模型；s4：利用模型评价指标，评估预测模型的性能，优选预测模型并保存；s5：利用保存的预测模型，实现对新数据热导率的预测。
8.进一步地，s1中提取样本数据的具体方法为，从实验室测试数据中获取花岗岩热导率和全岩化学数据组成数据集，以热导率作为有监督学习的目标集，并以全岩化学数据作为特征集。
9.进一步地，s2具体包括以下步骤：s21：对数据进行清洗和统计分析，得到特征数据；s22：对特征数据进行归一化处理；s23：对归一化后的特征数据集进行降维处理。
10.进一步地，s22中归一化处理公式为：其中，为归一化后的数据，为这一特征数据中的最小值，为这一特征数据中的最大值。
11.进一步地，s23中降维处理的具体方法为，通过对各个特征数据之间的相关性进行分析，以及对各个特征数据的主成分进行分析，从而对特征数据集进行降维判断和处理。
12.进一步地，s3的具体方法为：s31：将归一化和降维后的数据随机抽取80%数据用作模型训练部分，剩余的20%数据作为模型测试集；s32：利用极限梯度提升的机器学习算法，通过多次训练和测试，得到花岗岩热导率预测模型。
13.进一步地，s4具体为，利用模型评价指标，对多个花岗岩热导率预测模型的性能进行评估，对性能最好的花岗岩热导率预测模型进行保存。
14.进一步地，s4中模型评价指标包括均方误差（mse）、平均绝对误差（mape）、均方根误差（rmse）和相关系数（r2）。
15.进一步地，均方误差mse的计算公式为：平均绝对误差mape的计算公式为：
均方根误差rmse的计算公式为：相关系数r2的计算公式为：其中，为测试集中样品室内试验测试得到的花岗岩热导率，为模型预测的花岗岩热导率，为模型预测的花岗岩平均值。
16.进一步地，s5具体为，利用保存好的最佳花岗岩热导率预测模型对新加入的花岗岩全岩化学数据进行热导率预测。
17.本发明具有以下有益效果：1、本发明将极限提升梯度学习算法应用于岩石热导率预测方面，机器学习能够通过相关可靠数据来快速、自动地创建精确预测模型，通过机器学习算法来精确预测花岗岩岩屑的热导率，将有利于提高热导率的预测效率和精度，减少时间和经济成本，且本发明为进一步研究建立岩石热导率预测模型提供参考。
18.2、本发明利用多项模型评价指标，评估预测模型的性能，通过均方误差mse、平均绝对误差mape、均方根误差rmse和相关系数r2的综合考量，可得到最优的花岗岩热导率预测模型，进而大大提高预测的准确性。
附图说明
19.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为流程示意图；图2为本发明极限梯度提升算法和现有经验公式热导率预测效果对比图。
具体实施方式
21.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
22.请参阅图1所示，本发明为基于全岩化学数据的花岗岩热导率极限提升梯度预测方法，包括以下步骤：
s1：从实验室花岗岩热导率和全岩化学测试数据中提取用于训练模型的样本数据，具体为，从实验室测试数据中获取花岗岩热导率和全岩化学数据组成数据集，以热导率作为有监督学习的目标集，并以全岩化学数据作为特征集；s2：对数据进行预处理，具体包括以下步骤：s21：对数据进行清洗和统计分析，得到特征数据；s22：对特征数据进行归一化处理；s23：对归一化后的特征数据集进行降维处理；s22中归一化处理公式为：其中，为归一化后的数据，为这一特征数据中的最小值，为这一特征数据中的最大值；s23中降维处理的具体方法为，通过对各个特征数据之间的相关性进行分析，以及对各个特征数据的主成分进行分析，从而对特征数据集进行降维判断和处理。
23.s3：基于极限梯度提升的机器学习算法，训练多个花岗岩热导率预测模型，具体为：将归一化和降维后的数据随机抽取80%数据用作模型训练部分，剩余的20%数据作为模型测试集；利用极限梯度提升的机器学习算法，通过多次训练和测试，得到花岗岩热导率预测模型；s4：利用模型评价指标，评估预测模型的性能，优选预测模型并保存，具体为，利用模型评价指标，对多个花岗岩热导率预测模型的性能进行评估，对性能最好的花岗岩热导率预测模型进行保存；模型评价指标包括均方误差（mse）、平均绝对误差（mape）、均方根误差（rmse）和相关系数（r2）；均方误差mse的计算公式为：平均绝对误差mape的计算公式为：均方根误差rmse的计算公式为：相关系数r2的计算公式为：
其中，为测试集中样品室内试验测试得到的花岗岩热导率，为模型预测的花岗岩热导率，为模型预测的花岗岩平均值；s5：利用保存的预测模型，实现对新数据热导率的预测，具体为，利用保存好的最佳花岗岩热导率预测模型对新加入的花岗岩全岩化学数据进行热导率预测。
24.本发明基于456个实验室内实测数据，通过极限梯度提升算法和经验公式对花岗岩热导率的预测结果进行对比，两种模型预测结果见表1和图2。
25.表1 极限梯度提升学习算法训练的模型和经验公式预测模型预测效果对比其中如图2所示，左侧为极限梯度提升算法（rgboost）的花岗岩热导率预测结果，右侧为基于经验公式的花岗岩热导率预测结果，结果表明基极限梯度提升算法（xgboost）的预测结果表现出更好的预测效果。
26.以上仅为本发明的优选实施例，并不限制本发明，任何对前述各实施例所记载的技术方案进行修改，对其中部分技术特征进行等同替换，所作的任何修改、等同替换、改进，均属于在本发明的保护范围。